論文の概要: Multiobjective Ranking and Selection Using Stochastic Kriging
- arxiv url: http://arxiv.org/abs/2209.03919v1
- Date: Mon, 5 Sep 2022 23:51:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-09 12:44:51.926085
- Title: Multiobjective Ranking and Selection Using Stochastic Kriging
- Title（参考訳）: 確率krigingを用いた多目的ランキングと選択
- Authors: Sebastian Rojas Gonzalez, Juergen Branke and Inneke van Nieuwenhuyse
- Abstract要約: 我々は,複数の矛盾する目的を同時に最適化し,シミュレーションによってのみ観測できる多目的シミュレーション最適化問題を考察する。
最適性は、他の目的の質を損なうことなく、目的を改善できないことを意味する。
提案手法は, 最適性能の解を同定する際の誤差を減らすため, 多目的ランキングと選択法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We consider multiobjective simulation optimization problems, where several
conflicting objectives are optimized simultaneously, and can only be observed
via stochastic simulation. The goal is to find or approximate a (discrete) set
of Pareto-optimal solutions that reveal the essential trade-offs between the
objectives, where optimality means that no objective can be improved without
deteriorating the quality of any other objective. The noise in the observed
performance may lead to two possible misclassification errors: solutions that
are truly Pareto-optimal can be wrongly considered dominated, and solutions
that are truly dominated can be wrongly considered Pareto-optimal. We propose a
Bayesian multiobjective ranking and selection method to reduce the number of
errors when identifying the solutions with the true best expected performance.
We use stochastic kriging metamodels to build reliable predictive distributions
of the objectives, and exploit this information in two efficient screening
procedures and two novel sampling criteria. We use these in a sequential
sampling algorithm to decide how to allocate samples. Experimental results show
that the proposed method only requires a small fraction of samples compared to
the standard allocation method, and it's competitive against the
state-of-the-art, with the exploitation of the correlation structure being the
dominant contributor to the improvement.
- Abstract（参考訳）: 複数の競合対象を同時に最適化し,確率的シミュレーションによってのみ観測できる多目的シミュレーション最適化問題を考える。
目標は、目的間の本質的なトレードオフを明らかにするパレート最適解の(離散的な)集合を見つけるか、あるいは近似することであり、そこでは最適性は、他の目的の品質を損なうことなく目的が改善されないことを意味する。
真にパレート最適である解は誤って支配的とみなすことができ、真に支配的である解はパレート最適と見なすことができる。
提案手法は, 最適性能の解を同定する際の誤差を減らすため, ベイジアン多目的ランキングと選択法を提案する。
確率krigingメタモデルを用いて,目標の信頼性の高い予測分布を構築し,この情報を2つの効率的なスクリーニング手順と2つの新しいサンプリング基準で活用する。
我々はこれらを逐次サンプリングアルゴリズムでサンプルの割り当て方法を決定する。
実験の結果,提案手法は,標準割当法に比べて試料のごく一部しか必要とせず,その改善に寄与する相関構造を活用し,最先端の手法と競合していることがわかった。
関連論文リスト
- Trust-Region Sequential Quadratic Programming for Stochastic Optimization with Random Models [57.52124921268249]
本稿では,1次と2次の両方の定常点を見つけるための信頼逐次準計画法を提案する。
本手法は, 1次定常点に収束するため, 対象対象の近似を最小化して定義された各イテレーションの勾配ステップを計算する。
2階定常点に収束するため,本手法は負曲率を減少するヘッセン行列を探索する固有ステップも計算する。
論文 参考訳（メタデータ） (2024-09-24T04:39:47Z) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Bayesian Optimization for Non-Convex Two-Stage Stochastic Optimization Problems [2.9016548477524156]
知識に基づく獲得関数を定式化し,第1段と第2段の変数を協調的に最適化する。
可変型間の寸法と長さの差が2段階アルゴリズムの非効率性をもたらすことを示す。
論文 参考訳（メタデータ） (2024-08-30T16:26:31Z) - Submodular Information Selection for Hypothesis Testing with Misclassification Penalties [3.3444620077119436]
仮説テスト/分類タスクにおいて,情報ソースの最適サブセットを選択する問題について検討する。
異なる誤分類誤りに対する一様でない処理を可能にする誤分類ペナルティフレームワークを提案する。
我々は,この指標が準モジュラであることを示すとともに,両情報集合選択問題に対するグリーディアルゴリズムのほぼ最適保証を確立する。
論文 参考訳（メタデータ） (2024-05-17T17:31:02Z) - Preference Inference from Demonstration in Multi-objective Multi-agent
Decision Making [0.0]
本稿では,最適あるいは準最適のいずれかから線形選好重みを推定するアルゴリズムを提案する。
実験結果から, ベースラインアルゴリズムと比較して有意な改善が得られた。
今後,マルチエージェントシステムにおけるアルゴリズムの有効性を評価することを計画している。
論文 参考訳（メタデータ） (2023-04-27T12:19:28Z) - Bayesian Optimization with Conformal Prediction Sets [44.565812181545645]
コンフォーマル予測(Conformal prediction)は、不確実な定量化手法であり、不特定モデルに対してもカバレッジを保証する。
本稿では,モデルの妥当性が保証された検索空間の領域にクエリを誘導する共形ベイズ最適化を提案する。
多くの場合、クエリのカバレッジはサンプル効率を損なうことなく大幅に改善できる。
論文 参考訳（メタデータ） (2022-10-22T17:01:05Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Goal Seeking Quadratic Unconstrained Binary Optimization [0.5439020425819]
本稿では,目標からのずれを最小限に抑える2種類の目標探索QUBOを提案する。
本論文では、タブー探索に基づく1フリップによる目標からの偏差を最小限に抑える2種類の目標探索QUBOについて述べる。
論文 参考訳（メタデータ） (2021-03-24T03:03:13Z) - Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。
これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文 参考訳（メタデータ） (2020-09-01T19:12:11Z) - Stochastic Optimization Forests [60.523606291705214]
標準的なランダムな森林アルゴリズムのように予測精度を向上させるために分割するのではなく、分割を選択した木を栽培し、下流の意思決定品質を直接最適化することで、森林決定政策の訓練方法を示す。
概略分割基準は、各候補分割に対して正確に最適化された森林アルゴリズムに近い性能を保ちながら、100倍のランニング時間を短縮できることを示す。
論文 参考訳（メタデータ） (2020-08-17T16:56:06Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。